기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
작업별 모델
JumpStart 는 가장 많이 사용되는 문제 유형 15개에서 작업별 모델을 지원합니다. 지원되는 문제 유형 중 Vision 및 NLP관련 유형은 총 13개입니다. 증분 훈련과 미세 조정을 지원하는 8가지 문제 유형이 있습니다. 증분 훈련 및 하이퍼파라미터 튜닝에 대한 자세한 내용은 SageMaker AI 자동 모델 튜닝을 참조하세요. JumpStart 는 테이블 형식 데이터 모델링을 위한 네 가지 인기 알고리즘도 지원합니다.
Studio 또는 Studio Classic의 JumpStart 랜딩 페이지에서 모델을 검색하고 검색할 수 있습니다. 모델을 선택하면 모델 세부 정보 페이지에 모델에 대한 정보가 제공되며, 몇 단계만 거치면 모델을 훈련하고 배포할 수 있습니다. 설명 섹션에서는 모델로 수행할 수 있는 작업, 예상되는 입력 및 출력 유형, 모델의 미세 조정에 필요한 데이터 형식을 설명합니다.
SageMaker Python SDK
문제 유형 목록과 Jupyter notebook 예제 링크가 다음 표에 요약되어 있습니다.
| 문제 유형 | 사전 훈련된 모델을 사용한 추론 지원 | 사용자 지정 데이터세트에서 훈련 가능 | 지원되는 프레임워크 | 예제 노트북 |
|---|---|---|---|---|
| 이미지 분류 | 예 | 예 |
PyTorch, TensorFlow |
|
| 객체 감지 | 예 | 예 | PyTorch, TensorFlow, MXNet | |
| 의미 체계 분할 | 예 | 예 | MXNet | |
| 인스턴스 세분화 | 예 | 예 | MXNet | |
| 이미지 임베딩 | 예 | No | TensorFlow, MXNet | |
| 텍스트 분류 | 예 | 예 | TensorFlow | |
| 문장 쌍 분류 | 예 | 예 | TensorFlow, 허깅 페이스 | |
| 질문 응답 | 예 | 예 | PyTorch, 허깅 페이스 | |
| 명명된 엔터티 인식 | 예 | No | Hugging Face | |
| 텍스트 요약 | 예 | No | Hugging Face | |
| 텍스트 생성 | 예 | No | Hugging Face | |
| 기계 번역 | 예 | No | Hugging Face | |
| 텍스트 임베딩 | 예 | No | TensorFlow, MXNet | |
| 테이블 형식 분류 | 예 | 예 | LightGBM, CatBoostXGBoost, , AutoGluon-Tabular, TabTransformer, Linear Learner |
소개 JumpStart - 테이블 분류 - LightGBM, CatBoost 소개 JumpStart - 테이블 분류 - XGBoost, 선형 학습자 |
| 테이블 형식 회귀 | 예 | 예 | LightGBM, CatBoostXGBoost, , AutoGluon-Tabular, TabTransformer, Linear Learner |
소개 JumpStart - 테이블 형식 회귀 - 조명GBM, CatBoost 소개 JumpStart - 테이블 형식 회귀 - XGBoost, 선형 학습자 |
